脳波と集中力の関係について
中間発表
氏名:七瀬拓海、田中伸明
2025627
1
目次
研究概要について
用語について
実験の概要について
・実験の推論
・問題を解いたときとEEGとの変化について
結論
2
研究意義
集中力と脳波がどのように関係しているかを
Muse-S(EEG測定器)を使用する。
集中力を可視化することで、活動や休息をは
じめとした様々なイベントを正しく選択する
ことで、人生設計を最適化する。
https://goodbrain.
jp/muses/
Muse-
S
3
AF7 AF8
TP9 TP10
測定部位
用語説明
脳波(EEG)について
α波、θ派、β波の3種類の周波数帯の振幅
を比較
EEGエージェント指数(β/(α+θ))は高い
ほど集中力は上がる
脳の部位について
・今回はTP9(左側後頭部)TP10(右側後
頭部)AF7(左前頭前野寄り)AF8(右前頭
前野より)の4箇所で測定
https://www.bedroom.co.jp/cont
ents/wp-
content/uploads/2023/02/%E8%84
%B3%E6%B3%A2%E3%81%AE%E7%A8%AE
%E9%A1%9E.jpg(写真)
Fpz
用語解説 https://naraamt.or.jp/
Academic/kensyuukai/20
05/kirei/nouha_mon/fig
/002_2.gif
https://mind
-
monitor.com/
blogs/muse-
headband-
electrode-
positions/
用語説明
周波数縦軸
時間横軸
振幅
https://encrypted-
tbn0.gstatic.com/images?q=tbn:A
Nd9GcRDndGab7f0h8WeF5soETH2vmXP
SK_GHaGflA&s
AF系(前頭部) 意図的な集中やタスク中の能動的な脳活動
TP系(側頭部) 感覚刺激やリラックス・無意識状態の記録
電極
脳の部位
主な役割・関連機能
AF7 / AF8
前頭前野(前側:おで
この上)
意思決定、注意、思考、
集中力、感情制御
TP9 / TP10
側頭葉後部(耳の後
ろ)
聴覚処理、記憶、リ
ラックス状態の把握な
実験の予想実験の予想
左脳
AF7 / TP9
右脳
AF8 / TP10
前頭部(
AF7, AF8
計算操作処理(掛け
算反射)
連続的注意
緊張・焦りに反応
β波上昇で「集中し
すぎて崩れる」ことも
後頭部(
TP9, TP10
数字の視認(左下)
入力位置を目で追う
ミスに対する警戒
入力位置の不安によ
る緊張反応
左脳
AF7 / TP9
右脳
AF8 / TP10
前頭部(
AF7, AF8
多段論理処理
セル位置ごとの反復
全体構造の統合が難
しく、混乱や焦燥感
(緊張)へ
後頭部(
TP9, TP10
数値記号の視覚保持
掛ける数の目視
空間的配置
合成視覚情報の統合
保持力
実験1
3×3行列の掛け算の暗算をする。
TPAFの脳波を計測スペクトログラム
まだ実験内容に関しては改善の余地あり
簡易Webサイトでログ確認(右上QR
8
実験結果1-1
9
実験結果1-2
10
実験結果
TPα波、θ波成分とAFβ
成分を調べ、その時の値から
EEGデータを取得して、グラ
フを作成
赤線が問題を解いたとき
まだ実験内容に関しては改善
の余地あり(標本数や難易度
)
EEGエンゲージメント指数の参
考文献(Pope, A. T.,
Bogart, E. H., &
Bartolome, D. S. (1995).
Biocybernetic system
evaluates indices of
operator engagement in
automated task
environments.
Biological Psychology,
40(12), 187195.
TPα波、θ波成分とAFβ波成分
上のグラフを使い導いたEEGエージェント指数
11
実験2
100マス計算(掛け算)をする。
TPα波、θ波成分とAFβ波成分を調べ、そ
の時の値からEEGデータを取得して、グラフを
作成
実験結果から、EEGデータとどのような相関が
あるか
まだ実験内容に関しては改善の余地あり
簡易Webサイトで実験内容をログ化(QR
12
実験結果2-1
13
実験結果2-2
14
エンゲージメント指数の時系列
15
回帰曲線の探求
EEGエンゲージメント指数を
x(t)=β(t)/(α(t)+θ(t))
タスクの効率をyとして、
y=f(x(t))dtとなるfを見つける。
F(x)=x
F(x)=Alog(bx+1)
16
F(x)=xとしたとき、
全体のEEG指数時間積分
ーーーーーーー
ーー
2こぶを分ける
17
関数での最適化
・問題の難易度はほぼ同じなので、
全て難易度1に近い分布をつくるfであればいい。
(F(x(t))dt-1)²を最小にするようにL-
BFGS-B法で最適化
・ミスにより労力が2倍になることあり。
例:計算ミス
入力ミス
問題の見間違え
18
19
F(x)=0.18595log(2.3850
6x+1)
20
反省(実験設定)
標本数をもっと大きくする
形式も多様にする
21
実験結果からわかること
EEGエンゲージメント指数は信頼に足る。
F(x)=log(x+1)が比較的信頼できそう。
22
結論
Muse-Sから得られる脳波データや、EEG指数は
今回の目的において信頼できるものである。
最後に、各タスクの進捗効率とEEG指数の関係
を追及するべきだ。もし、100マス演算のよう
な作業でlog(x+1)に近い回帰曲線が有用なら
ば、短期的な高いEEG指数よりも、長期的で低
EEG指数を維持できる、落ち着いた精神状態
の方が効果はあるだろう。
いずれにせよ信頼性を高めるにはもっと多くの
標本と多様な実験が必要だ。
23
参考文献
https://www.sciencedirect.com/scien
ce/article/pii/0301051195051163?via
%3Dihub
Pope, A. T., Bogart, E. H., &
Bartolome, D. S. (1995).
Biocybernetic system evaluates
indices of operator engagement in
automated task environments.
Biological Psychology, 40(12), 187
195.
24